[發(fā)明專利]基于預測缺陷率和模糊綜合評價模型的軟件質(zhì)量評價方法在審
| 申請?zhí)枺?/td> | 202110556984.1 | 申請日： | 2021-05-21 |
| 公開（公告）號： | CN113448840A | 公開（公告）日： | 2021-09-28 |
| 發(fā)明（設計）人： | 王亞庚;劉宏志 | 申請（專利權(quán)）人： | 北京工商大學 |
| 主分類號： | G06F11/36 | 分類號： | G06F11/36;G06N20/00 |
| 代理公司： | 西安研創(chuàng)天下知識產(chǎn)權(quán)代理事務所(普通合伙) 61239 | 代理人： | 梁寶龍 |
| 地址： | 100048*** | 國省代碼： | 北京;11 |
| 權(quán)利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 預測 缺陷 模糊 綜合 評價 模型 軟件 質(zhì)量 方法 | ||
本發(fā)明公開了基于預測缺陷率和模糊綜合評價模型的軟件質(zhì)量評價方法，包括以下步驟，S1：采集軟件代碼的固有屬性數(shù)據(jù)并進行整理；S2：對軟件預測缺陷率模型進行訓練和測試；S3：將步驟S1中采集的軟件代碼固有屬性數(shù)據(jù)輸入步驟S2中測試后的軟件預測缺陷率模型中，得到軟件的預測缺陷率；S4：建立模糊綜合評價模型，將步驟S3中得出的預測缺陷率作為第二層的評價指標，構(gòu)建判斷矩陣，根據(jù)判斷矩陣確定因素權(quán)重；S5：建立評價集，根據(jù)每一層每一個因素的評價等級建立模糊隸屬度矩陣，結(jié)合模糊隸屬度矩陣和權(quán)重矩陣進行綜合評判，計算軟件評價的綜合得分。本發(fā)明中的方法能夠提高軟件缺陷判斷的效率，同時還可以對軟件的質(zhì)量特性進行綜合評價。
技術領域
本發(fā)明涉及軟件質(zhì)量評價技術領域，尤其涉及基于預測缺陷率和模糊綜合評價模型的軟件質(zhì)量評價方法。
背景技術
軟件質(zhì)量的綜合評價是軟件質(zhì)量評價中較為重要的一個方面。軟件質(zhì)量評價技術經(jīng)歷了近二十年的發(fā)展，已經(jīng)形成了較為穩(wěn)定的層次評估方法。模糊綜合評價法根據(jù)數(shù)學模型的模糊隸屬度理論，可以將定性評價轉(zhuǎn)化為定量評價。但對軟件進行評估打分時，評分的大小取決于評分者的經(jīng)驗決定，評價的主觀性很大。而軟件缺陷預測技術是通過軟件代碼的固有屬性，例如樹的數(shù)量，循環(huán)的數(shù)量等，通過機器學習的方法通過這些固有屬性預測軟件的缺陷率，預測的精確度完全取決于模型的效果，是客觀的不具有人為的主觀性，但是只通過軟件缺陷預測技術不能完全的表現(xiàn)一個軟件的好壞。
發(fā)明內(nèi)容
針對上述存在的問題，本發(fā)明旨在提供一種基于預測缺陷率和模糊綜合評價模型的軟件質(zhì)量評價方法，可以提高軟件缺陷判斷的效率，節(jié)省尋找軟件缺陷的時間和資金，同時還可以對軟件的質(zhì)量特性進行綜合評價。
為了實現(xiàn)上述目的，本發(fā)明所采用的技術方案如下：
基于預測缺陷率和模糊綜合評價模型的軟件質(zhì)量評價方法，其特征在于，包括以下步驟，
S1：采集軟件代碼的固有屬性數(shù)據(jù)并進行整理，作為軟件預測缺陷率模型的輸入；
S2：對軟件預測缺陷率模型進行訓練和測試；
S3：將步驟S1中采集的軟件代碼固有屬性數(shù)據(jù)輸入步驟S2中測試后的軟件預測缺陷率模型中，得到軟件的預測缺陷率；
S4：建立模糊綜合評價模型，將步驟S3中得出的預測缺陷率作為第二層的評價指標，構(gòu)建判斷矩陣，根據(jù)判斷矩陣確定因素權(quán)重；
S5：建立評價集，根據(jù)每一層每一個因素的評價等級建立模糊隸屬度矩陣，結(jié)合模糊隸屬度矩陣和權(quán)重矩陣進行綜合評判，計算軟件評價的綜合得分。
進一步的，步驟S1中所述的軟件代碼的固有屬性包括空代碼行數(shù)、分支數(shù)、調(diào)用對的次數(shù)、代碼和注釋的行數(shù)、注解的行數(shù)、條件數(shù)、圈復雜度、圈密度、決定數(shù)數(shù)字、設計復雜性、設計密度數(shù)值、邊數(shù)數(shù)字、必要的復雜性數(shù)值、周向密度、可執(zhí)行數(shù)字、參數(shù)計數(shù)、全局數(shù)據(jù)的復雜性、全局數(shù)據(jù)密度、霍爾斯特德含量、霍爾斯特德困難、霍爾斯特德努力、霍爾斯特德誤差、霍爾斯特德長度、霍爾斯特德水平、霍爾斯特德進度時間、霍爾斯特德體積、維護程度、修改條件數(shù)、多個條件數(shù)、節(jié)點數(shù)、歸一化穩(wěn)壓復雜度、操作數(shù)、操作符、唯一操作數(shù)、唯一運算符、行數(shù)、評論百分比、總數(shù)。
進一步的，步驟S2中所述的軟件預測缺陷率模型采用FLGBDT機器學習方法對軟件缺陷進行預測，所述FLGBDT機器學習方法的損失函數(shù)為式中，α和γ為超參數(shù)，y＝0，1為正樣本或負樣本，pt表示預測概率。
進一步的，F(xiàn)LGBDT機器學習方法的損失函數(shù)中，α為0.25，γ為2。
進一步的，步驟S2中對軟件預測缺陷率模型進行訓練和測試的具體操作包括以下步驟，
S201：建立軟件預測缺陷率模型評價指標；所述軟件預測缺陷率模型評價指標包括命中率、誤報率和臨界成功指數(shù)；
該專利技術資料僅供研究查看技術是否侵權(quán)等信息，商用須獲得專利權(quán)人授權(quán)。該專利全部權(quán)利屬于北京工商大學，未經(jīng)北京工商大學許可，擅自商用是侵權(quán)行為。如果您想購買此專利、獲得商業(yè)授權(quán)和技術合作，請聯(lián)系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110556984.1/2.html，轉(zhuǎn)載請聲明來源鉆瓜專利網(wǎng)。
